跳转到主要内容
Ctrl+K
pytorch-forecasting  documentation - Home pytorch-forecasting  documentation - Home
  • 开始
  • 教程
  • 数据
  • 模型
  • 指标
  • 常见问题
  • 安装
  • API
  • 发布说明
  • GitHub
  • GitHub
Ctrl+K
  • 开始
  • 教程
  • 数据
  • 模型
  • 指标
  • 常见问题
  • 安装
  • API
  • 发布说明
  • GitHub
  • GitHub
Ctrl+K

章节导航

  • 数据
    • 编码器
      • _clipped_log
      • _clipped_logit
      • _identity
      • _minus_one
      • _plus_one
      • _square
      • softplus_inv
      • 编码器归一化器
      • Expm1Transform
      • 组归一化器
      • 减一变换
      • 多重归一化器
      • NaNLabelEncoder
      • ReLuTransform
      • SoftplusTransform
      • TorchNormalizer
      • TransformMixIn
    • 示例
      • _get_data_by_filename
      • generate_ar_data
      • get_stallion_data
    • 采样器
      • 分组采样器
      • 时间同步批采样器
    • 时间序列
      • _coerce_to_dict
      • _coerce_to_list
      • _find_end_indices
      • 检查非有限值
      • 时间序列数据集
  • 模型
    • base_model
      • _concatenate_output
      • _torch_cat_na
      • 自回归基础模型
      • 带协变量的自回归基本模型
      • 基础模型
      • 带协变量的基本模型
      • PredictCallback
      • PredictTuple
      • 预测
    • 基线
      • 基线
    • deepar
      • _deepar
        • DeepAR
    • mlp
      • _decodermlp
        • 解码器MLP
      • 子模块
        • 全连接模块
    • nbeats
      • _nbeats
        • NBeats
      • 子模块
        • 线性
        • linspace
        • NBEATSBlock
        • NBEATSGenericBlock
        • NBEATSSeasonalBlock
        • NBEATSTrendBlock
    • nhits
      • _nhits
        • NHiTS
      • 子模块
        • 初始化权重
        • 身份基
        • NHiTS
        • NHiTSBlock
        • 静态特征编码器
    • 神经网络
      • 嵌入
        • 多重嵌入
        • 时间分布嵌入袋
      • rnn
        • get_rnn
        • GRU
        • LSTM
        • 循环神经网络
    • rnn
      • _rnn
        • 循环网络
    • 时序融合变换器
      • _tft
        • 时间融合变压器
      • 子模块
        • AddNorm
        • GateAddNorm
        • 门控线性单元
        • 门控残差网络
        • 可解释的多头注意力
        • 位置编码器
        • 重采样规范
        • 缩放点积注意力
        • 时间分布
        • 时间分布插值
        • 变量选择网络
      • 调优
        • 优化超参数
    • 潮汐
      • _潮汐
        • TiDEModel
      • 子模块
        • _ResidualBlock
        • _TideModule
  • 指标
    • 基础指标
      • convert_torchmetric_to_pytorch_forecasting_metric
      • 聚合指标
      • 复合指标
      • 分布损失
      • 指标
      • 多视角指标
      • 多损失
      • 多变量分布损失
      • TorchMetricWrapper
    • 分布
      • BetaDistributionLoss
      • 隐式分位数网络
      • ImplicitQuantileNetworkDistributionLoss
      • 对数正态分布损失
      • MQF2DistributionLoss
      • MultivariateNormalDistributionLoss
      • 负二项分布损失
      • 正态分布损失
    • 点
      • 交叉熵
      • 平均绝对误差(MAE)
      • 平均绝对百分比误差 (MAPE)
      • 均方绝对误差(MASE)
      • 泊松损失
      • 均方根误差
      • SMAPE
      • TweedieLoss
    • 分位数
      • 分位数损失
  • 工具
    • _dependencies
      • _check_matplotlib
      • _get_installed_packages
      • _get_installed_packages_private
    • _maint
      • _show_versions
        • _get_deps_info
        • _get_sys_info
        • show_versions
    • _utils
      • apply_to_list
      • 自相关
      • concat_sequences
      • create_mask
      • 分离
      • get_embedding_size
      • 按组应用
      • integer_histogram
      • masked_op
      • move_to_device
      • next_fast_len
      • padded_stack
      • 个人资料
      • repr_class
      • to_list
      • unpack_sequence
      • unsqueeze_like
      • 初始参数表示混合接口
      • OutputMixIn
      • TupleOutputMixIn
  • API
  • 模型
  • 深度自回归

深度学习预测#

DeepAR:使用自回归循环网络进行概率预测。

模块

_deepar

DeepAR: 使用自回归循环网络的概率预测 是最流行的预测算法之一,常常用作基准

之前

基准

下一个

_deepar

此页面

  • 显示源代码

© 版权 2020, Jan Beitner.

使用 Sphinx 8.1.3 创建。

Built with the PyData Sphinx Theme 0.16.1.